IJCAIMay, 2022

通过利用辅助数据进行社区问答实体链接

PDF
TL;DR本文提出了一种新的任务：CQA 实体链接，通过有效利用 CQA 平台涉及的各种信息辅助数据（如平行答案、主题标签和用户等）来推进链接性能，使用一种基于 Transformer 的框架，在新发布的 CQAEL 数据集上通过实验验证了该框架的优越性能。
cqaentity linkingknowledge basetransformer-based frameworkdownstream applications
发现论文，激发创造
  • EntQA: 实体链接问答

    EntQA 模型通过借鉴问题解答技术，在不需要已知实体的情况下，快速定位文档中的潜在实体，并在 GERBIL 基准测试中获得了良好的结果。

    Oct, 2021

  • 生物医学实体链接作为多项选择问题回答

    Biomedical entity linking is improved using BioELQA, a model that treats it as multiple choice question answering, capturing fine-grained interactions and addressing challenges with long-tailed entities.

    Feb, 2024

  • 高效一遍式的问答实体链接

    ELQ 是一种快速的端到端实体链接模型，使用双编码器同时执行提及检测和链接，可用于提高下游问题回答系统的性能。

    Oct, 2020

  • 大规模综合监督的跨语言开放领域问答预训练

    基于自我监督方法的编码器 - 解码器模型在跨语言问答中表现出色，利用维基百科的跨语言链接结构，综合生成监督信号，提高了检索和回答生成的性能，相比于其他方法，包括机器翻译，CLASS 方法在监督和零资源语言适配等方面均取得更好的效果。

    Feb, 2024

  • 基于实体简介生成的 Wikidata 实体链接候选集提升

    该研究提出了一种基于实体建模的候选实体检索范式，该范式首先将 Wikidata 实体及其文本字段索引到文本搜索引擎中，再使用序列到序列模型生成目标实体的摘要，从而查询已索引的搜索引擎以检索候选实体，最后结合交叉注意力重新排序器，实现了在三个基于 Wikidata 的数据集上的最先进效果和在 TACKBP-2010 上的强劲表现的高度有效的混合方法候选实体检索和实体链接框架。

    Feb, 2022

  • 对话中的个人实体、概念和命名实体链接

    本文介绍了一种对话实体链接的工具，使用了不同于现有方法的技术来识别如人称实体和命名实体这种在对话中扮演重要角色的实体，并在实验中证明了其优于已有技术的性能。

    Jun, 2022

  • 基于远程监督的 Transformer 模型在电商产品问答中的应用

    提出了一种基于 Transformer 模型的实时电子商务产品页面问答系统，在 CQA 对中检索到与用户查询相关的问题答案对，该模型学习统一的句法和语义表示，同时利用 CQA 对进行远程监督，通过在离线和在线实验中的大规模评估，证明了该框架在电子商务 QA 流量方面具有很好的性能。

    Apr, 2021

  • 社区问答任务中的学习排序特征工程

    在这项工作中，我们通过实证研究了社区问答论坛的几个方面，包括引入一种基于 BERT 的特征捕捉问题和答案的语义相似性、使用线性方式结合问题和答案特征、以及在 CQA 领域中采用迄今为止未使用过的排序学习算法等。在三个标准 CQA 数据集上，我们的提出的框架实现了最领先的性能，并分析了我们使用的特征的重要性。这项工作有望指导实践者在 CQA 检索任务中选择更好的特征集。

    Sep, 2023

  • 利用预训练和大型语言模型提升社区问答中的答案选择

    本文提出了使用预训练模型的 Question-Answer 交叉注意网络（QAN）进行回答选择，并利用大型语言模型（LLM）来进行具有知识增强的回答选择。实验证明，QAN 模型在 SemEval2015 和 SemEval2017 数据集上实现了最新的性能。同时，LLM 利用外部知识进行问题和正确答案的知识增强，并通过不同方面对 LLM 的提示进行优化，结果表明外部知识的引入可以提高 LLM 在 SemEval2015 和 SemEval2017 数据集上的正确答案选择率，同时通过优化提示，LLM 也能在更多问题上选择正确的答案。

    Nov, 2023

  • 知识库问答中应更加关注关系探索

    本文提出了一种新的 RE-KBQA 框架，利用知识库中的关系来增强实体表示并引入额外的监督方法以提高知识库问答的效果，通过实验证明此框架的优越性，从而提高 F1 分数。

    May, 2023